論文の概要: Discovering Novel Biological Traits From Images Using Phylogeny-Guided Neural Networks

• arxiv url: http://arxiv.org/abs/2306.03228v1
• Date: Mon, 5 Jun 2023 20:22:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-07 18:30:54.747712
• Title: Discovering Novel Biological Traits From Images Using Phylogeny-Guided Neural Networks
• Title（参考訳）: 系統誘導ニューラルネットワークを用いた画像からの新規生物学的特徴の発見
• Authors: Mohannad Elhamod, Mridul Khurana, Harish Babu Manogaran, Josef C. Uyeda, Meghan A. Balk, Wasila Dahdul, Yasin Bak{\i}\c{s}, Henry L. Bart Jr., Paula M. Mabee, Hilmar Lapp, James P. Balhoff, Caleb Charpentier, David Carlyn, Wei-Lun Chao, Charles V. Stewart, Daniel I. Rubenstein, Tanya Berger-Wolf, Anuj Karpatne
• Abstract要約: 本稿では,特徴ラベルに依存しない画像から進化的特徴を直接発見するための新しい手法を提案する。 提案手法であるPhylo-NNは、生物の画像を量子化された特徴ベクトルの列にエンコードする。 本研究は,多くの下流タスクにおいて生物学的に有意義な結果を生み出すためのアプローチの有効性を実証する。
• 参考スコア（独自算出の注目度）: 10.372001949268636
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Discovering evolutionary traits that are heritable across species on the tree of life (also referred to as a phylogenetic tree) is of great interest to biologists to understand how organisms diversify and evolve. However, the measurement of traits is often a subjective and labor-intensive process, making trait discovery a highly label-scarce problem. We present a novel approach for discovering evolutionary traits directly from images without relying on trait labels. Our proposed approach, Phylo-NN, encodes the image of an organism into a sequence of quantized feature vectors -- or codes -- where different segments of the sequence capture evolutionary signals at varying ancestry levels in the phylogeny. We demonstrate the effectiveness of our approach in producing biologically meaningful results in a number of downstream tasks including species image generation and species-to-species image translation, using fish species as a target example.
• Abstract（参考訳）: 生物の多様性と進化を理解するために、生物の樹上の種(系統樹とも呼ばれる)にまたがる進化的な形質を発見することは、生物学者にとって大きな関心事である。 しかし、特性の測定はしばしば主観的かつ労働集約的なプロセスであり、特徴の発見は高いラベル・スカルス問題となる。 本稿では,特徴ラベルを頼らずに画像から進化的特徴を直接発見する新しい手法を提案する。 提案したアプローチであるPhylo-NNは、生物の画像を量子化された特徴ベクトル(またはコード)の配列にエンコードする。 本研究は,魚種を対象として,種画像生成や種間画像翻訳を含む下流作業において,生物学的に有意義な結果を生み出すためのアプローチの有効性を示す。

関連論文リスト

• Hierarchical Conditioning of Diffusion Models Using Tree-of-Life for Studying Species Evolution [19.899467048643363]
  階層型埋め込み(HIER-Embeds)で表される系統的知識を持つ拡散モデルを条件付けるフレームワークであるPhylo-Diffusionを紹介する。 また,Phylo-Diffusionの埋め込み空間を摂動する2つの新しい実験を提案する。 私たちの研究は、生成モデルを用いて画像から直接進化的変化を可視化することで、進化生物学の新しい章も開きます。
  論文  参考訳（メタデータ） (2024-07-31T21:06:14Z)
• VQDNA: Unleashing the Power of Vector Quantization for Multi-Species Genomic Sequence Modeling [60.91599380893732]
  VQDNAは、ゲノムボキャブラリ学習の観点からゲノムのトークン化を改良する汎用フレームワークである。 ベクトル量子化されたコードブックを学習可能な語彙として活用することにより、VQDNAはゲノムをパターン認識の埋め込みに適応的にトークン化することができる。
  論文  参考訳（メタデータ） (2024-05-13T20:15:03Z)
• TEPI: Taxonomy-aware Embedding and Pseudo-Imaging for Scarcely-labeled Zero-shot Genome Classification [0.0]
  種の遺伝コードまたはゲノムは、貴重な進化的、生物学的、系統学的情報をコードする。 従来のバイオインフォマティクスツールは顕著な進歩を遂げているが、スケーラビリティに欠け、計算コストも高い。 TEPI, 分類認識型埋め込み, Pseudo-Imaging を用いたゼロショット学習によりこの問題に対処することを提案する。
  論文  参考訳（メタデータ） (2024-01-24T04:16:28Z)
• Neural Echos: Depthwise Convolutional Filters Replicate Biological Receptive Fields [56.69755544814834]
  哺乳類網膜で観察される生体受容野を,深部核が効果的に複製していることを示す証拠を提示する。 生体受容の分野からインスピレーションを得る手法を提案する。
  論文  参考訳（メタデータ） (2024-01-18T18:06:22Z)
• Deep Neural Network Identification of Limnonectes Species and New Class Detection Using Image Data [5.943822554753426]
  ディープニューラルネットワークは、画像の分類を訓練された既知の種グループに分類することに成功した。 このアルゴリズムは,既存のクラスに属さない場合には,イメージを新しいクラスに分類できることを示す。
  論文  参考訳（メタデータ） (2023-11-15T02:57:59Z)
• Unsupervised ensemble-based phenotyping helps enhance the discoverability of genes related to heart morphology [57.25098075813054]
  我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。 教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。 これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
  論文  参考訳（メタデータ） (2023-01-07T18:36:44Z)
• Taxonomy and evolution predicting using deep learning in images [9.98733710208427]
  本研究では,キノコ画像認識問題を体系的に研究することで,新しい認識枠組みを創出する。 そこで本研究では,DNAにDNAをマッピングする最初の方法として,遺伝子距離にエンコーダマッピング画像を使用し,事前に訓練したデコーダを介してDNAをデコードする手法を提案する。
  論文  参考訳（メタデータ） (2022-06-28T13:54:14Z)
• Digital Taxonomist: Identifying Plant Species in Citizen Scientists' Photographs [22.061682739457343]
  画像データだけで 植物標本を分類するのは 難しい。 ほとんどの種は、空間的、時間的、生態的な文脈に関する副次的な情報を伴っている。 統合フレームワークにおけるこれらの追加手法を考慮した機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T16:38:02Z)
• Epigenetic evolution of deep convolutional models [81.21462458089142]
  我々は、より深い畳み込みモデルを進化させるために、これまで提案されていた神経進化の枠組みを構築した。 異なる形状と大きさのカーネルを同一層内に共存させる畳み込み層配置を提案する。 提案したレイアウトにより、畳み込み層内の個々のカーネルのサイズと形状を、対応する新しい突然変異演算子で進化させることができる。
  論文  参考訳（メタデータ） (2021-04-12T12:45:16Z)
• A Novel Bio-Inspired Texture Descriptor based on Biodiversity and Taxonomic Measures [81.08571247838206]
  種多様性と豊かさと分類学的特有性を通して、多様なパターンの複雑なシステムを定量化できる新しいアプローチを提案する。 提案手法は,各画像チャネルを種生態系とみなし,種多様性と豊かさの度合いを計算し,テクスチャを記述するための分類学的尺度である。
  論文  参考訳（メタデータ） (2021-02-13T20:14:14Z)
• Automatic image-based identification and biomass estimation of invertebrates [70.08255822611812]
  時間を要する分類と分類は、どれだけの昆虫を処理できるかに強い制限を課す。 我々は、人間の専門家による分類と識別の標準的な手動アプローチを、自動画像ベース技術に置き換えることを提案する。 分類タスクには最先端のResnet-50とInceptionV3 CNNを使用する。
  論文  参考訳（メタデータ） (2020-02-05T21:38:57Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。